Una técnica de inteligencia artificial logra reducir un 30% los exámenes ecocardiográficos para el seguimiento de la estenosis aórtica

Investigadores del Ciber de enfermedades cardiovasculares han desarrollado una investigación pionera en la aplicación de machine learning aplicada al estudio de esta patología cardiaca

Estenosis-aórtica

Redacción
Equipos de investigación del área de Enfermedades Cardiovasculares del Ciber (Cibercv) y del Centro de Investigación Biomédica en Red del Instituto de Salud Carlos III, han desarrollado una investigación pionera en la aplicación de machine learning, aplicada al estudio y seguimiento de la estenosis aórtica, una de las patologías cardíaca más frecuentes. De hecho, esta se da en aproximadamente el 2% de las personas mayores de 65 años (más frecuentemente en hombres). Además, supone una causa importante de morbilidad y mortalidad asociadas a patologías cardíacas.

La progresión de la enfermedad de leve a moderada es heterogénea y requiere exámenes ecocardiográficos periódicos para evaluar la gravedad de la dolencia en quienes la padecen y adecuar los tratamientos y fármacos utilizados. El estudio, publicado en la revista JACC: Cardiovascular Imaging y liderado por Pedro Luis Sánchez, investigador del Cibercv en el Instituto de Investigación Biomédica de Salamanca (Ibsal), aplica inteligencia artificial para optimizar la vigilancia ecocardiográfica de la estenosis aórtica de forma automática.

El aprendizaje automático permite desarrollar una programación personalizada y en tiempo real del examen ecocardiográfico de seguimiento de pacientes con estenosis aórtica leve o moderada

Programación en tiempo real del examen ecocardiográfico
Los resultados del estudio muestran que el aprendizaje automático permite desarrollar una programación personalizada, automatizada y en tiempo real del examen ecocardiográfico de seguimiento de los pacientes con estenosis aórtica leve o moderada. En comparación con las directrices europeas y americanas, el modelo reduce el número de exámenes de los pacientes en un 49% (EU) y 13% (US).

Así, la aplicación del modelo redundaría no solo en una mayor capacidad predictiva del avance de la enfermedad, con la consiguiente mejora de los tratamientos, sino que también permitiría un ahorro considerable en la gestión de los recursos sanitarios y diagnósticos disponibles. Esto es clave, teniendo en cuenta la prevalencia de esta patología cardíaca.

Los equipos de investigación entrenaron, validaron y aplicaron externamente un modelo de aprendizaje automático para predecir si un paciente con estenosis aórtica de leve a moderada desarrollará una valvulopatía grave en 1, 2 o 3 años. Por otro lado, los datos demográficos y ecocardiográficos de los pacientes para desarrollar el modelo se obtuvieron a partir de 4.633 ecocardiogramas de 1.638 pacientes consecutivos. Los datos obtenidos a partir de este calendario de vigilancia ecocardiográfica se compararon con las recomendaciones de seguimiento ecocardiográfico de las guías europeas y americanas.

Opinión

Multimedia

Especiales

Atención primaria

Sanidad privada

iSanidadental

Anuario

Accede a iSanidad

Síguenos en